云制造環境下基于本體和模糊QoS的供應商匹配方法

孫曉琳,金 淳,馬 琳,王文波

(1.大連理工大學管理與經濟學部，遼寧 大連 116024；2.大連大學經濟管理學院，遼寧 大連 116633)

1 引言

以云計算等網絡信息技術為依托的云制造是實現“中國制造2025”路線圖中加快推進制造業轉型升級發展的重要模式[1]。對于企業重要運營環節之一的供應商選擇而言，傳統制造業的供應商選擇模式存在著選擇范圍窄、信息不對稱、流程繁瑣、周期長等局限。而云制造使得分布的制造資源在云服務下實現高度共享，大大改變了傳統的選擇模式[2]。同時，在云制造環境下，龐大的供應服務資源也為供應商選擇帶來了新的難題，因而針對其服務匹配方法的研究成為當前的熱點之一。

服務匹配所利用的信息包含功能性信息和非功能信息，后者也稱QoS(qualifications of service)信息[3]。因兩種信息的作用和表現形式不同，因而服務匹配分為功能性匹配和QoS匹配。功能性匹配的對象主要是服務的輸入、輸出參數集合，針對功能性匹配方法，Zhang Shudong和Chen Yan[4]，Blanco等[5]利用本體的結構特征，采用基于本體語義距離的概念相似度匹配方法，也是現在普遍用于解決信息不對稱的方法；Bai Li等[6]利用模糊集理論描述服務資源，基于模糊規則進行服務匹配；鄧水光等[7]利用二分圖理論和KM算法進行服務功能性匹配；Zapater等[8]采用基于服務標準分類的匹配方法；Khater等[9]把功能匹配問題轉化為圖問題，用最短路徑法進行功能匹配。QoS匹配對象是服務質量參數集合，具有產品及服務的個性化的特征，可用來在功能性匹配的基礎上進一步選擇功能相似的服務。針對QoS匹配方法，張成文等[3]研究了基于關系矩陣編碼方式的遺傳算法解決QoS感知匹配問題；李蜀瑜等[10]研究了結合QoS模糊性的粒子群算法，較好的解決了模糊QoS匹配問題；王尚廣等[11]運用具有全局約束的QoS結合粒子群算法，通過分解的局部最優解找到全局最優的服務；Ahmed等[12]利用人工神經網絡方法建立基于QoS的服務匹配模型；Zhao Xinchao等[13]研究了用粒子群算法解決動態QoS匹配問題；Ajao 等[14]研究了了基于用戶個性化偏好的服務匹配問題； Huang Jinguo等[15]和楊潔[16]研究了基于服務質量評價模型的QoS匹配，Tao Qian等[17]把信任度添加到了QoS的參數中，并利用二進制搜索算法匹配最優服務，減少了計算時間復雜度；Wang Shangguang等[18]提出了一種多用戶的服務選擇框架，通過過去用戶的經驗QoS值預測失蹤的QoS值以提供全局最優的服務匹配結果，王娟等[19]針對醫療服務供需提出了兩階段的匹配方法。

上述研究針對的是普通的Web服務匹配。近年來人們開始關注云計算環境下的服務匹配問題，如Dastjerdi等[20]提出了CloudPick框架，簡化了云服務之間的資源調度，并利用基于語義描述的QoS模型提高服務發現的精度；羅賀等[21]考慮了云服務需求的動態性，提出了時變需求匹配方法；Rezaei等[22]構建語義互操作框架，為不同的云服務之間提供語義信息共享工具。這些研究對云環境下的服務匹配方法進行了有益的嘗試，但總體而言，相關研究還處于起步階段。云制造環境下所提供的服務具有資源數量大、語義信息不對稱、QoS需求多樣化和模糊化等特點，同時制造企業會根據實際情況自主選擇匹配服務的需求。因此，傳統方法運用到云制造環境下時會存在以下不足：首先，針對功能性匹配，難以解決語義信息不對稱問題。傳統的基于規則和圖論[6-9]的方法難以解決語義信息不對稱問題，本體可以描述語義信息使信息共享，但目前基于語義本體的匹配方法研究沒有考慮因表達方式不同導致輸入為非本體概念的情況，這將導致語義信息的丟失；其次，針對QoS匹配算法，啟發式算法[10-13]計算速度快但難以控制早熟收斂，模糊QOS的評價[15-16]多采用大量矩陣計算，針對大量服務選擇會降低服務效率。分階段匹配的方法[18]給云制造環境下的供應商匹配提供了一些啟發，但是階段的劃分標準對本問題并不適用。且大部分方法只得到唯一匹配服務，由于制造企業在供應商選擇過程中會受到很多現實因素影響，往往企業需要的不單單是唯一服務，而是要在篩選出來服務集合中，再做主觀判斷，因而目前的匹配方法難以滿足企業主動選擇的需求。

針對上述問題，本文提出了云制造環境下基于本體和模糊QoS的三階段匹配方法。定義了具有普適性的、基于語義的供應商服務本體模型，同時充分運用本體結構特點，引入屬性影響度使語義信息更完整；采用優化的基于三角模糊數的FCM算法匹配QoS，在大量功能相似的服務中最后得到服務匹配結果的集合。

2 問題描述及語義模型

2.1 問題描述

云制造平臺的業務流程如圖1所示。云平臺接收需求方提出的供應商需求，然后通過服務匹配從大量已注冊的供應商服務資源庫中挑選適合的供應商推薦給需求方。匹配結果的正確與否直接影響后續的協同制造過程和整個制造任務的效率。服務資源庫中的供應商服務主要包含兩方面的信息，一是供應商能夠提供的基本功能，二是云制造環境下供應商的QoS信息。服務匹配的過程就是通過匹配需求和資源庫中服務的這兩方面信息找到適合的供應商。由于云制造環境下信息的異構性，使得需求方和供應方之間的信息無法共享和交互，另外需求方對匹配結果有自主選擇的需求。因此，在云制造環境下進行服務匹配時，考慮語義共享和需求方自主選擇要素至關重要。

為實現供應商需求和大規模供應商服務的語義共享，快速、準確、智能化的匹配，需要服務本體和標準化語義服務描述的支持，以下在2.2、2.3節中分別進行說明。

圖1 云制造平臺業務流程示意圖

2.2 供應商服務本體模型

供應商服務本體提供對領域知識的共同理解和描述，能夠實現領域和供應商服務的信息共享和交互，是服務匹配的語義基礎[25]。然而目前本體沒有統一的表示標準[4]，本文用三元組來表示本體：

O={C，Re，Con}

(1)

其中，C是本體中概念的集合；Re是C和C之間的關系集合，Re包含四個元素，即Re={is-a，kind-of，is-property，is-instance}，其中is-a表示概念之間部分與整體的關系、kind-of表示概念之間的繼承關系、is-property表示一個概念是另一個概念的屬性、is-instance表示概念和實例的關系，Con為公理集合，指C和C之間約束條件。

本研究在參考已有研究[3][4]、領域專家意見和WordNet標準的基礎上構建了制造業供應商服務本體Oss，構成如下：

Oss=Ov∪Os∪Oq

(2)

其中，Ov為領域本體，是計算語義概念相似度的基礎；Os為功能服務本體；Oq為QoS本體，既包含W3C提出的通用QoS指標[24]，也包括領域QoS指標。Os和Oq是用戶在選擇供應商服務的影響因素。Oss中的每個本體都用(1)式的本體結構表示。圖2為汽車領域Oss片段。

圖2 汽車供應商服務本體Oss示例圖

2.3 供應商描述模型

(1)供應商描述。為能夠對動態異構的供應商信息進行智能匹配，需要統一、完整的描述方法[5]。本文根據OWL-S的ServiceProfile類[23]的描述結構特點對服務進行語義描述，云制造環境中的供應商si描述如下：

si={B,QoS}

(3)

其中，B表示基本功能信息集合，B中的信息根據Os描述；QoS表示服務質量集合，QoS中的信息根據Oq描述。

si的各部分內容說明如下：

B={C,PQ,SA}，C為需求的資源概念名稱，與Ov上的概念對應；PQ表示該資源的生產質量，PQ={pr,qc}，pr表示產品合格率、qc表示產品對應的認證體系；SA表示供應商的供貨能力，SA={Ty,Num,TOD}，Ty表示產品型號、Num表示產品數量、TOD表示供應商的交貨期。

QoS={Qg,Qs}，其中，Qg和Qs表示通用的QoS指標和制造業供應商專用QoS指標。Qg={qC,qT,qR,qRe}，qC為供應商服務的價格，qT為線上服務的響應時間，qR為服務的可靠程度，qRe為服務的信譽；Qs={qS,qP,qRP,qF,qCO}，qS為供應商的送樣速度，qP為運費承擔，qRP為退貨服務，qF為生產能力的靈活性，qCO表示是否合作過。

(2)供應商需求描述。供應商需求包含供應商描述的內容。同時由于每個QoS參數的重要性不同，用戶對各個參數的偏好會根據不同的情況進行動態選擇。所以引入用戶偏好向量P，每個偏好采用[0,1]的隸屬度描述。P∈{quiteunimportant,unimportant,medium,important,veryimportant}={0.2,0.4,0.6,0.8,1}。

于是，供應商需求R可表示如下：

R={B,QoS,P}

(4)

3 三階段匹配方法

3.1 方法思想

本文根據云制造環境下語義信息不對稱，需求個性化及多樣化的特點提出了三階段匹配方法。在任一階段，如果R和si的相似度Sim(R,si)≥ω(設定的閾值)，則si為滿足需求的服務。用ωb、ωq、ωz分別表示第一階段、第二階段和第三階段的閾值。圖3是本文三階段匹配方法的流程圖。

第一階段進行功能性匹配。匹配的對象為B，本文根據本體結構特點設計了語義相似度計算方法，在此基礎上，計算了各個類型參數的相似度，得到功能性匹配集合S1，并作為第二階段的供應商資源庫。

第二階段進行QoS匹配。結合模糊用戶偏好把模糊多類型的QoS信息轉化成三角模糊數，采用優化聚類中心的三角模糊數FCM算法快速聚類，得到QoS匹配度集合S2，并作為第三階段的供應商資源庫。

第三階段進行綜合匹配。利用前兩個階段的匹配度計算綜合匹配度，得到基于匹配度排序的結果集合S3。

圖3 三階段匹配方法流程圖

3.2 第一階段功能性匹配

(1)匹配B

根據B中參數的不同類型采用不同的匹配方法。其中C是概念類型，概念的相似性可以利用本體結構中概念的量化關系進行判斷[26]。本文在考慮概念的距離時僅考慮概念之間為is-a、kind-of和is-instance三種關系，且默認每種關系對應的連接距離為1，Dis(C1,C2)為兩個概念節點C1和C2的最短距離，數值為各個節點到最近公共節點的距離之和[4]。在基于本體結構的語義相似度研究中，學者們研究討論了上位概念集、概念深度、概念的語義密度對概念語義相似度的影響，但對這三個影響因子并沒有統一的計算方式[5,27]。在已有研究基礎上，本文給出了三種相似影響度的計算方法。

此外，考慮由于表達方式不同造成概念不能匹配到本體模型，從而造成錯誤或片面匹配結果的問題，本文追加了屬性影響因素，即Ov中概念的is-property關系連接的屬性，通過概念共同擁有的屬性判斷其相似性。綜上，Ov中的概念C1和C2應滿足以下4個規則：

規則1：重合度相似影響度。設從C1追溯到根節點的上位概念集合為U(C1)，從C2追溯到根節點的上位概念集合為U(C2)，若C1和C2的公共上位集的個數Count(U(C1)∩U(C2))≠0，兩個概念公共上位集越多影響度則越大。則C1和C2的重合度相似影響度α1為：

(5)

規則2：深度相似影響度。設C1到定點的深度為Depth(C1)，C2到定點的深度為Depth(C2)，若C1和C2的語義深度差Depth(C1)- Depth(C2)≠0，兩個概念的深度差越小影響度越大，且深度和越大代表細分度高影響度也就越大。C1和C2的深度相似影響度α2為：

(6)

規則3：密度相似影響度。若C1的兄弟節點的個數brother(C1)，C2的兄弟節點的個數brother(C2)，兩個概念的兄弟越多說明該節點描述的越具體，相似度也就越大，C1和C2的密度相似影響度α3為：

(7)

規則4：屬性相似影響度。設C1的屬性值個數為attribute(C1)，C2的屬性值個數為attribute(C2)，兩個概念擁有的相同屬性越高屬性影響越大，則C1和C2的屬性相似影響度α4為：

上述4個規則中r1，r2，r3，r4為可調節因子。

然后，在語義距離，概念重合度、密度、深度和屬性的相似影響度分析基礎上，用式(9)計算兩個概念節點C1和C2的語義相似度。

Sim(C1,C2)=

(9)

其中，λ為可調節因子，η1，η2，η3分別為概念重合影響度、密度和深度影響度的權重，η1+η2+η3=1。

Sim(brt,bst)=

(10)

若B中第t個參數為區間型則其語義相似度計算如下，其中|r∩s|表示公共數值的長度。

(11)

(3)功能性匹配相似度及S1

依據B中各個元素的屬性類型特征，利用式(9)～(11)計算得到的各個類型參數的相似度，R與si的功能性匹配的相似度為各個參數相似度的乘積，計算公式為(12)。

(12)

然后利用公式(13)得到功能性匹配結果結合S1，并把S1作為第二階段匹配的供應商資源庫。

S1={si|si∈S;Sim(R.B,si.B)≤ωb}

(13)

3.3 第二階段QoS匹配

因QoS中指標的不確定性和復雜性，不能對其定量描述而需采用模糊語言表示[29]。另外，用戶對于QoS中的每個屬性往往擁有不同的偏好[13]，并且對匹配的結果有自主選擇的需求。因此，本文采用基于三角模糊數的FCM聚類算法[28]，把QoS模糊語言轉化成三角模糊數，盡量完整表達模糊信息，同時引入了用戶偏好，并通過優化初始聚類中心，循環聚類，使得結果集中符合需求的資源快速收斂到同一個類別，得到供應商集合，以彌補傳統匹配方法忽略QoS模糊性和只得到一個匹配結果的不足。

(1)結合用戶偏好對QoS模糊數據標準化

本文將QoS的描述信息用{無，很低，低，微低，中，微高，高，很高，完全}九個模糊描述語言表示，除此之外本文還追加了QoS的表現形式可以為自然語言、區間和精確值，并把每個描述語言轉化成三角模糊數，詳見表1。

(14)

表1 QoS模糊語言的模糊數對照表

(15)

(16)

(2)用優化的FCM算法縮小供應商范圍

本文利用聚類算法的目的是讓供應商資源庫中與需求相似的服務快速收斂到一個小范圍。有學者采用FCM算法對資源進行聚類[30]，但沒有考慮其模糊性。本文采用基于三角模糊數的FCM算法，并優化初始聚類中心。聚類的數目可根據實際資源的數目確定，本文借鑒二分查找的思想設置聚類數目為2，循環聚類逐漸縮小供應商范圍。

根據聚類數目，需要初始化兩個聚類中心。為保證盡可能的選擇接近R的QoS服務類別，保證按需服務發現，本文將Xn作為第一個初始的聚類中心，即：

(17)

(18)

算得V0后，用基于三角模糊數的FCM算法縮小供應商范圍，算法流程如下：

(3)QoS相似度及S2

利用模糊貼近度計算CRQOS中RQ和其他資源的相似度。貼近度的概念與相似度類似，越接近1表示兩個模糊集越接近。本文采用歐幾里得多屬性的三角模糊數貼近度計算方法由公式(19)得到RQ與CRQOS中其他資源的QoS相似度。

(19)

然后根據公式(20)得到QoS匹配結果結合S2，并把S2作為第三階段匹配的供應商資源庫。

S2={si|si∈S1;Sim(R.QoS,si.QoS)≤ωq}

(20)

3.4 第三階段綜合匹配

第三階段在第二階段的資源集合S2的基礎上，根據前兩個階段得到前兩個階段的功能性相似度和QoS相似度，加權求和得到R與si綜合匹配度為：

Sim(R,si)=α·Sim(R.B,si.B)+β·Sim(R.QoS,si.QoS)

(21)

圖4 優化聚類中心的模糊QoS聚類算法流程

其中，α和β分別為兩階段相似度的權值，表示各階段相似度對綜合相似度的影響程度，α+β=1。

然后，根據公式(22)得到綜合匹配結果結合S3，需求方在S3中自主選擇最滿意供應商，完成供應商的匹配。

S3={si|si∈S2;Sim(R.QoS,si.QoS)≤ωz}

(22)

4 實驗分析

4.1 實驗設計及本體建立

為驗證本文方法的效果，采用某汽車企業真實供應商服務數據為樣本，通過采用不同樣本量和改變需求還有方法對比進行實驗分析。樣本中供應商的QoS數據從相關企業平臺數據庫中抽取，用戶偏好數據根據專家意見得到。

實驗中匹配的服務是汽車發動機零部件供應商，圖5為本文建立的相應部分領域本體結構。分別選取了50，150，250個汽車發動機零部件供應商服務用于方法有效性實驗，實驗基本參數設置為：ωb=0.6，ωq=0.8，ωz=0.8，η1=η2=η3=1/3，聚類參數mf=2，停止闕值ε=1.0e-6，P={1,0.6,0.8,0.8,0.4,0.8,0.8,0.8,0.8}，α=0.7，β=0.3。用戶需求R的信息為：C為活塞銷，pr為100%，Num為200件，TOD小于15天，QoS={qC，qT，qR，qRe，qS，qP，qRP，qF，qCO}={[11,13]，完全，很高，完全，很高，很高，是，完全，是}。

實驗通過本文方法得出服務匹配結果集合，并通過比較傳統基于本體的語義相似度的服務發現算法[24]，證明本文的服務匹配方法的優化效果。以下對方法各階段的效果逐個進行分析。

圖5 發動機零部件本體結構片段

4.2 三階段服務匹配方法有效性分析

(1)匹配方法的適用性分析

下面以150個樣本的實驗為例說明服務發現方法的過程和結果。第一階段對供應商進行功能性匹配，根據本體結構計算得到功能性相似度。表2為列舉的部分供應商概念與服務需求的概念相似度計算結果。

通過第一階段的匹配，有49個供應商的相似度大于ωb進入第二階段的匹配。然后經過第二階段和第三階段匹配后得到了S3，計算結果見表3，其中模糊程度按照表1中模糊語言對應的數字序號表示。

由結果可知，在供應商中有大量的功能相似和相同的服務需要，只有依據非功能性的QoS匹配才能精準的確定匹配結果。其中S104是最符合用戶需求的服務，是貼近實際情況的準確解，體現了本文方法的適應性；資源集合{S25，S63，S87，S99，S101，S102，S104，S105，S125}為具有相同功能的備選服務；另外，方法還推薦了資源集合{S88，S130}，雖然此集合中的服務功能與服務需求不完全一致，但與需求歸屬同一類別零部件，具有一定的參考價值，用戶可以通過推薦的結果根據實際情況主動的選擇供服務。

表2 部分概念相似度

(2) 查準率對比分析

現將汽車發動機零部件領域的三個不同的供應商需求作為實驗的條件，對本文方法與Lee等[24]的服務發現算法進行了對比，評價指標為查準率Va，計算方法為式(23)：

(23)

表3 匹配結果集合

其中，Srs為匹配結果集合，Srv為Srs中與需求相關的供應商集合。

由于查準率與結果集合的大小有關，本文取相似度0.9以上的資源集比較兩個方法的查準率，如表4所示。從對比的結果可以看出，本文的方法較文獻方法查準率高。由于選取的0.9相似度的限制和結果集數目的不同，導致查準率有波動，但是本文方法比文獻算法的查準率平均提高30%以上。經過本文方法得到的相似度越高，資源匹配的精準度越高。

表4 綜合匹配度0.9以上集合查準率對比

4.3 匹配方法中改進聚類中心的有效性分析

設資源數目為50，150，250三次實驗的S1中資源的數量分別為N1，N2和N3，本文對比了在這三種不同資源數量下本文算法和未優化聚類中心的三角模糊數FCM算法[25]。圖6為結果對比圖，采用的評價指標為算法迭代次數降低比率Viter。設本文算法的迭代次數為iter1，未優化聚類中心算法的迭代次數為iter2，Viter的計算公式如下:

(24)

圖6 兩種方案結果比較

從實驗結果可以看出，隨著供應商數目的增加，本文優化算法比未初始化聚類中心算法的Viter逐漸增加，提高了匹配的效率。

5 結語

(1)針對云制造環境下供應商服務匹配中存在的信息不對稱、相似功能多和個性化需求導致的QoS的多樣性和模糊性問題，本文提出了基于語義和模糊QoS的三階段服務匹配方法。方法的設計思想具有較高的針對性，盡最大可能滿足現實需求。

(2)在三階段匹配方法中，所建立的制造業供應商服務描述模型和本體模型在第一階段運用語義本體消除了信息不對稱性、避免了語義信息誤讀可能性；在第二階段采用優化三角模糊數的FCM方法可滿足個性化和模糊QoS需求，迭代次數減少了10%以上。

(3)實驗對比結果表明：本文匹配方法可提高查準率30%以上，且服務結果集合中服務資源相似度越高，越能顯示出本方法服務匹配的精度。同時，算法還具有較高的適應性和可拓展性。

本研究為探索如何解決云制造環境下的供應商服務匹配問題提出了一種新思路。

[1] 李伯虎, 張霖, 王時龍,等. 云制造——面向服務的網絡化制造新模式[J]. 計算機集成制造系統, 2010, 16(1):1-7.

[2] Xu Xun. From cloud computing to cloud manufacturing[J].Robotics and Computer-Integrated Manufacturing, 2012, 28(1):75-86.

[3] 張成文,蘇森,陳俊亮.基于遺傳算法的QoS感知的Web服務選擇[J].計算機學報，2006,29(7):1029-1037.

[4] Zhang Shudong, Chen Yan. Research on domain ontology-based intelligent information retrieval system[J]. Key Engineering Materials, 2011,460-461: 300-304.

[5] Blanco R, Lioma C. Graph-based term weighting for information retrieval[J].Information Retrieval, 2012, 15(1):54-92.

[6] Bai Li, Liu Min. Fuzzy sets and similarity relations for semantic web service matching[J]. Computers & Mathematics with Applications, 2011, 61(8):2281-2286.

[7] 鄧水光,尹建偉,李瑩,等.基于二分圖匹配的語義Web服務發現方法[J].計算機學報, 2008, 31(8):1364-1375.

[8] Zapater J J S, Escrivá D M L, García F R S, et al. Semantic web service discovery system for road traffic information services[J]. Expert Systems with Applications, 2015, 42(8):3833-3842.

[9] Khater M, Malki M. Improving the performance of semantic web services discovery: shortest path based approach[J]. International Journal of Information Technology & Computer Science, 2014, 6(6):32-39.

[10] 李蜀瑜.基于QoS和模糊粒子群優化的語義Web服務發現[J]. 計算機應用, 2012, 32(5):1347-1350.

[11] 王尚廣,孫其博,楊放春. 基于全局QoS約束分解的Web服務動態選擇[J]. 軟件學報, 2011, 22(7):1426-1439.

[12] Ahmed H, Begum M, Siddiqui F H, et al. Dynamic web service discovery model based on artificial neural network with QoS support[J]. International Journal of Scientific & Engineering Research, 2012,3(3):1-7.

[13] Zhao Xinchao, Wen Zichao, Li Xingmei. QoS-aware web service selection with negative selection algorithm[J]. Knowledge & Information Systems, 2013, 40(2):349-373.

[14] Ajao T A, Deris S. Optimal web service selection with consideration for user′s preferences[J]. International Journal of Computer Science Issues, 2013,10(2):355-359.

[15] Huang Jinguo. Study on the quality evaluation model construction and QoS optimization of web service composition[J]. Journal of Convergence Information Technology, 2012,7(6):340-347.

[16] 楊潔, 李登峰, 賴禮邦. Web 服務環境下基于信息協商的組合服務多屬性選擇方法[J]. 運籌與管理, 2015, 24(3): 134-141.

[17] Tao Qian, Chang Huiyou, Gu Chunqin, et al. A novel prediction approach for trustworthy QoS of web services[J]. Expert Systems with Applications, 2012, 39(3):3676-3681.

[18] Wang Shangguang, Hsu C H, Liang Zhongjun, et al. Multi-user web service selection based on multi-QoS prediction[J]. Information Systems Frontiers, 2013, 16(1):143-152.

[19] 王娟,陳希,趙柳.考慮需求者期望的兩階段醫療服務供需匹配方法[J].中國管理科學,2015,23(S1):132-136.

[20] Dastjerdi A V, Garg S K, Rana O F, et al. CloudPick: A framework for QoS-aware and ontology-based service deployment across clouds[J]. Software Practice & Experience, 2014,45,20(2):197-231.

[21] 羅賀, 汪永康, 齊杰,等. 面向時變需求的云服務匹配方法[J]. 中國管理科學, 2012，20(S1):179-183.

[22] Rezaei R, Chiew T K, Lee S P, et al. A semantic interoperability framework for software as a service systems in cloud computing environments[J]. Expert Systems with Applications, 2014, 41(13):5751-5770.

[23] 呂苗,金淳,鄧曉懿,等.基于情境的移動商務餐飲服務知識建模及推理研究[J].情報學報,2013, 32(2):138-147.

[24] Lee K, Jeon J, Lee W, et al. QoS for web services: Requirements and possible approaches[R].Note，W3C Working Group，2003.

[25] Martin D, Burstein M, Hobbs J, et al. OWL-S: Semantic markup for web.services[R].Memebr Submission， World Wide Web Consortium，2004.

[26] Li Xuanming, Li Binfei, Fu Dachao. The ontology-based methods of similarity and correlation and their application in urology intelligent retrieval[J].International Journal of Advancements in Computing Technology, 2013,5(9):26-35.

[27] Costa R, Lima C, Sarraipa J, et al. Facilitating knowledge sharing and reuse in building and construction domain: an ontology-based approach[J]. Journal of Intelligent Manufacturing, 2016, 27(1):263-286.

[28] 樊治平,于春海,尤天慧.一種基于三角模糊數多指標信息的FCM聚類算法[J].控制與決策, 2004, 19(12):1407-1411.

[29] Moghaddam K S. Fuzzy multi-objective model for supplier selection and order allocation in reverse logistics systems under supply and demand uncertainty[J]. Expert Systems with Applications, 2015,42(S15-16):6237-6254.

[30] 李文娟, 張啟飛, 平玲娣,等. 基于模糊聚類的云任務調度算法[J]. 通信學報, 2012，(3):146-154.